转载哦~https://blog.csdn.net/binbigdata/article/details/80029681

介绍

硕士阶段的毕设是关于昆虫图像分类的，代码写到一半，上周五导师又给我新的昆虫图片数据集了，新图片中很多图片很大，但是图片中的昆虫却很小，所以我就想着先处理一下图片，把图片中的昆虫裁剪下来，这样除去大部分无关背景，应该可以提高识别率。 
原图片举例（将红色矩形框部分裁剪出来））： 

step1：加载图片，转成灰度图

[code] 

1. image = cv2.imread("353.jpg")

2. gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

• 1
• 2

• 1
• 2

step2:用Sobel算子计算x，y方向上的梯度，之后在x方向上减去y方向上的梯度，通过这个减法，我们留下具有高水平梯度和低垂直梯度的图像区域。

[code] 

1. gradX = cv2.Sobel(gray, ddepth=cv2.cv.CV_32F, dx=1, dy=0, ksize=-1)

2. gradY = cv2.Sobel(gray, ddepth=cv2.cv.CV_32F, dx=0, dy=1, ksize=-1)

3.  

4. # subtract the y-gradient from the x-gradient

5. gradient = cv2.subtract(gradX, gradY)

6. gradient = cv2.convertScaleAbs(gradient)

• 1
• 2
• 3
• 4
• 5
• 6

• 1
• 2
• 3
• 4
• 5
• 6

执行完这一步，得到的图像如下： 

step3：去除图像上的噪声。首先使用低通滤泼器平滑图像（9 x 9内核）,这将有助于平滑图像中的高频噪声。低通滤波器的目标是降低图像的变化率。如将每个像素替换为该像素周围像素的均值。这样就可以平滑并替代那些强度变化明显的区域。

然后，对模糊图像二值化。梯度图像中不大于90的任何像素都设置为0（黑色）。 否则，像素设置为255（白色）。

[code] 

1. # blur and threshold the image

2. blurred = cv2.blur(gradient, (9, 9))

3. (_, thresh) = cv2.threshold(blurred, 90, 255, cv2.THRESH_BINARY)

• 1
• 2
• 3

• 1
• 2
• 3

执行完这一步，得到的图像如下： 

step4:在上图中我们看到蜜蜂身体区域有很多黑色的空余，我们要用白色填充这些空余，使得后面的程序更容易识别昆虫区域，这需要做一些形态学方面的操作。

[code] 

1. kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (25, 25))

2. closed = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, kernel)

• 1
• 2

• 1
• 2

处理之后的图像如下： 

step5:从上图我们发现图像上还有一些小的白色斑点，这会干扰之后的昆虫轮廓的检测，要把它们去掉。分别执行4次形态学腐蚀与膨胀。

[code] 

1. # perform a series of erosions and dilations

2. closed = cv2.erode(closed, None, iterations=4)

3. closed = cv2.dilate(closed, None, iterations=4)

• 1
• 2
• 3

• 1
• 2
• 3

执行完这步，得到的图形如下： 

step6：找出昆虫区域的轮廓。cv2.findContours()函数第一个参数是要检索的图片，必须是为二值图，即黑白的（不是灰度图），所以读取的图像要先转成灰度的，再转成二值图，我们在第三步用cv2.threshold()函数已经得到了二值图。第二个参数表示轮廓的检索模式，有四种：

1. cv2.RETR_EXTERNAL表示只检测外轮廓
2. cv2.RETR_LIST检测的轮廓不建立等级关系
3. cv2.RETR_CCOMP建立两个等级的轮廓，上面的一层为外边界，里面的一层为内孔的边界信息。如果内孔内还有一个连通物体，这个物体的边界也在顶层。
4. cv2.RETR_TREE建立一个等级树结构的轮廓。

第三个参数为轮廓的近似方法

• cv2.CHAIN_APPROX_NONE存储所有的轮廓点，相邻的两个点的像素位置差不超过1，即max（abs（x1-x2），abs（y2-y1））==1
• cv2.CHAIN_APPROX_SIMPLE压缩水平方向，垂直方向，对角线方向的元素，只保留该方向的终点坐标，例如一个矩形轮廓只需4个点来保存轮廓信息

cv2.findContours()函数返回两个值，一个是轮廓本身，还有一个是每条轮廓对应的属性。cv2.findContours()函数返回第一个值是list，list中每个元素都是图像中的一个轮廓，用numpy中的ndarray表示。每一个ndarray里保存的是轮廓上的各个点的坐标。我们把list排序，点最多的那个轮廓就是我们要找的昆虫的轮廓。 
OpenCV中通过cv2.drawContours在图像上绘制轮廓。

• 第一个参数是指明在哪幅图像上绘制轮廓
• 第二个参数是轮廓本身，在Python中是一个list
• 第三个参数指定绘制轮廓list中的哪条轮廓，如果是-1，则绘制其中的所有轮廓
• 第四个参数是轮廓线条的颜色
• 第五个参数是轮廓线条的粗细

cv2.minAreaRect()函数: 
主要求得包含点集最小面积的矩形，这个矩形是可以有偏转角度的，可以与图像的边界不平行。

[code] 

1. (cnts, _) = cv2.findContours(closed.copy(), cv2.RETR_EXTERNAL, c
   4000
   v2.CHAIN_APPROX_SIMPLE)

2. c = sorted(cnts, key=cv2.contourArea, reverse=True)[0]

3.  

4. # compute the rotated bounding box of the largest contour

5. rect = cv2.minAreaRect(c)

6. box = np.int0(cv2.cv.BoxPoints(rect))

7.  

8. # draw a bounding box arounded the detected barcode and display the image

9. cv2.drawContours(image, [box], -1, (0, 255, 0), 3)

10. cv2.imshow("Image", image)

11. cv2.imwrite("contoursImage2.jpg", image)

12. cv2.waitKey(0)

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12

执行完这步得到的图形如下： 

step7：裁剪。box里保存的是绿色矩形区域四个顶点的坐标。我将按下图红色矩形所示裁剪昆虫图像。找出四个顶点的x，y坐标的最大最小值。新图像的高=maxY-minY，宽=maxX-minX。 

[code] 

1. Xs = [i[0] for i in box]

2. Ys = [i[1] for i in box]

3. x1 = min(Xs)

4. x2 = max(Xs)

5. y1 = min(Ys)

6. y2 = max(Ys)

7. hight = y2 - y1

8. width = x2 - x1

9. cropImg = image[y1:y1+hight, x1:x1+width]

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9

裁剪出的图片如下：